Banken-Data-Warehouse & SQL Reporting Engine (OSPlus Standard)

Dieses Projekt demonstriert die Konzeption und Implementierung eines relationalen Data Warehouses für Finanz- und Bankdaten. Es umfasst ein automatisiertes ETL-Skript zur Erzeugung synthetischer Transaktions- und Kundendaten sowie erweiterte SQL-Reporting-Queries zur Datenanalyse und Risikoerkennung.

🏗️ Architektur & Datenmodell

Das System basiert auf einem relationalen Data-Warehouse-Modell mit automatisiertem ETL-Prozess:

[ Python Script: generate_data.py ] 
              │
              ▼ (ETL Pipeline)
   [ Rohdaten (CSV / RAW) ]
              │
              ▼
   [ SQLite / PostgreSQL DWH ]
       ├── kunden (Stammdaten) ── (1:N) ──> transaktionen (Fakten)
       │
       ▼
   [ SQL Reporting Engine (02_reporting_queries.sql) ]
       ├── Monatlicher gleitender Durchschnitt (Window Functions)
       └── Risiko- & Anomalieanalyse (Ausreißererkennung).

ER-Diagramm (Auszug)

• kunden (1) ─── (N) transaktionen

---

🛠️ Tech Stack

• Programmiersprache: Python (Pandas)
• Datenbank & SQL: PostgreSQL / MySQL (DDL-Schema, CTEs, Window Functions)
• Tools: VS Code, Git

---

📊 SQL-Reporting-Funktionen

Die enthaltenen SQL-Analysen (sql/02_reporting_queries.sql) decken folgende Anwendungsfälle ab:

1. Gleitender 3-Monats-Durchschnitt: Berechnung des monatlichen Transaktionsvolumens pro Kundentyp zur Identifizierung von Trends.
2. Anomalie- & Risikoerkennung: Identifizierung ungewöhnlich hoher Transaktionsbeträge (Ausreißer > 3 Standardabweichungen) zur Unterstützung von Audit- und Compliance-Prozessen.

---

📊 Beispiel-Output (SQL Reporting Engine)

Auszug aus den Ergebnissen der aggregierten Reporting-Queries (sql/02_reporting_queries.sql):

1. Monatlicher gleitender Durchschnitt (gleitender_durchschnitt_3m)

kundentyp	monat	gesamtvolumen	gleitender_durchschnitt_3m
Privatkunde	2026-01	14,250.00 €	14,250.00 €
Privatkunde	2026-02	18,900.00 €	16,575.00 €
Geschäftskunde	2026-01	45,100.00 €	45,100.00 €

2. Risiko- & Anomalieanalyse (Ausreißer)

transaktions_id	kunden_id	betrag	status	abweichung_faktor
TX-9921	CUST-4021	12,500.00 €	ERFOLGREICH	3.42σ (> 3σ)

🚀 Ausführung

1. Abhängigkeiten installieren:

   pip install -r requirements.txt

2. Datenbank-Schema initialisieren und ETL-Pipeline ausführen:

   python src/etl_pipeline.py

3. Reporting-Queries ausführen: Führen Sie die Skripte im Ordner sql/ über Ihr bevorzugtes Datenbank-Tool (z. B. DBeaver, pgAdmin) oder direkt via CLI aus.